《Journal of the Energy Institute》:Lubricant formulation effects on ultra-fine particles emissions from gas fuelled engines: experimental investigation using machine learning in data analysis
编辑推荐:
来自燃气发动机的固体颗粒物形成与排放严格关联于润滑油消耗及燃烧现象,进而与润滑剂特性相关。随着对颗粒物形成背后复杂机制理解的深入研究进展,机器学习(Machine Learning, ML)算法可用于深入分析油品配方与颗粒物排放之间的因果关系,成为油-发动机耦
来自燃气发动机的固体颗粒物形成与排放严格关联于润滑油消耗及燃烧现象,进而与润滑剂特性相关。随着对颗粒物形成背后复杂机制理解的深入研究进展,机器学习(Machine Learning, ML)算法可用于深入分析油品配方与颗粒物排放之间的因果关系,成为油-发动机耦合设计的有力工具。本工作首次探索了在改变润滑油配方条件下,利用ML算法估算颗粒物排放的方法。研究人员在一台重型(Heavy-Duty)燃气发动机上进行了实验研究,该发动机按照世界统一瞬态循环(World Harmonized Transient Cycle)运行,测试了多种具有不同特性的油品。结果证实,润滑剂配方是控制颗粒物排放的有效工具,并为ML分析提供了首个数据库。研究人员选取了卷积神经网络(Convolutional Neural Network, CNN)算法,通过一组油品数据进行训练,并测试其预测不同油品下排放的能力。研究还包括了人工算法在排放和油耗方面对油品特性优化的探讨。尽管处于初始阶段,该研究表明CNN预测相当准确,能够很好地复现不同油品配方下颗粒物排放的实验观察趋势。
以下是根据原文内容撰写的论文解读文章,按照要求组织内容。
**研究背景与问题**
在当前能源与环境紧急背景下,燃气发动机被视为传统化石燃料推进器的可行替代方案,尤其是使用生物甲烷或氢等低碳/零碳燃料的内燃机(Internal Combustion Engines, ICEs)在中重型(Heavy-Duty, HD)发动机领域具有中期潜力,因为长距离行驶仍对电动化解决方案构成挑战。尽管气态燃料本身比传统液体燃料更清洁,但满足污染物排放法规是燃气发动机技术发展的关键因素。特别是对于颗粒物数量(Particle Number, PN)排放,即将实施的欧七法规将保持与欧六相同的颗粒物数量限值(6×10
11 #/kWh),但涵盖更宽的粒径范围,包括直径大于10 nm的颗粒(此前法规为23 nm)。这可能导致不同发动机技术面临挑战。已有研究表明,燃气发动机颗粒物排放主要源于润滑油泄漏并在燃烧室中燃烧,高H/C比的天然气使燃料对碳质化合物排放的贡献显著降低。因此,通过润滑剂配方优化来减少颗粒物形成具有巨大潜力。然而,传统物理模型难以全面捕捉油品特性与排放之间的复杂因果关系,需要借助人工智能方法进行分析。
**研究目的与意义**
研究人员旨在结合实验与机器学习(Machine Learning, ML)方法,探究润滑剂配方对超细颗粒物排放的影响。通过实验表征十种不同配方的润滑油在颗粒物数量和质量以及油耗方面的表现,并利用卷积神经网络(Convolutional Neural Network, CNN)预测排放,再通过蒙特卡洛(Monte Carlo)方法优化油品特性。该研究首次将ML算法应用于基于润滑剂特性的颗粒物排放预测,为油-发动机耦合设计提供了新工具,有助于减少实验工作量。论文发表在《Journal of the Energy Institute》。
**主要技术方法**
研究人员采用以下关键技术方法:
1. 实验测试:在一台满足欧六标准的六缸火花点火重型燃气发动机(排量5883 cm
3,额定功率147 kW @ 2400 rpm,额定扭矩750 Nm @ 1500 rpm)上,使用世界统一瞬态循环(WHTC)进行冷/热启动测试。测试了十种不同配方的润滑油(包括一种参考商业油和九种实验油),测量颗粒物数量(PN
10,检测直径≥10 nm)、颗粒物质量(Soot)及制动油耗率(Brake Specific Fuel Consumption, BSFC)。
2. 统计相关性分析:采用皮尔逊(Pearson)和斯皮尔曼(Spearman)相关系数识别影响排放的关键油品特性,确定基础油粘度(Base Oil Viscosity, BOV)和100°C运动粘度(Kinematic Viscosity at 100°C, KV100)为最主要输入参数。
3. 机器学习建模:比较多种ML算法(决策树、随机森林、支持向量回归、卷积神经网络、K近邻),选择预测性能最佳的CNN模型。CNN架构包括三个卷积层(步长1)、三个最大池化层,采用ReLU激活函数和L2正则化,通过Adam优化器训练,并设置早停和学习率衰减回调。
4. 蒙特卡洛优化:生成10,000种虚拟油品(BOV范围3.0–9.0 mm
2/s,KV100范围8.0–16.0 cSt),输入CNN预测其PN、Soot和BSFC,通过适应度函数识别最优油品配方。
**研究结果**
**实验部分:润滑油特性对排放的影响**
实验结果显示,所有实验油的PN和Soot排放均低于参考油(归一化后),证实了油品改质在降低排放方面的潜力。降低灰分含量(即减少添加剂包比例)普遍减少PN和Soot;在相同添加剂包下,降低基础油粘度(如Oil 7)显著减少排放。基础油组别(Base Oil Group, BOG)对排放影响可忽略(如Oil 2、3、4),关键参数为BOV和KV100。最低排放出现在BOV最低的Oil 5、8和9中,其中Oil 5(与参考油相同添加剂包和BOG但含更多聚合物)在保持较高KV100的同时实现了约80%的PN降低,且油压与参考油相当,表明降低BOV比简单减少进油量更为关键。BSFC与KV100正相关:低粘度油(Oil 2、3、4、7、8、9)油耗低1–1.5%/kWh。颗粒尺寸分布函数(PSDF)显示所有实验油呈双峰分布且低于参考油,在各粒径范围内降幅相近。
**机器学习模型验证与测试**
通过皮尔逊和斯皮尔曼相关性分析,BOV与PN的相关系数约0.83/0.81,KV100约0.67/0.47,确认两者为关键输入。CNN模型在验证集上PN预测的平均绝对百分比误差(MAPE)为6.3%,显著优于线性回归(21%)和支持向量回归(46.7%)。Soot预测MAPE为26.9%,精度稍差归因于Soot实验数据变异系数(CoV)较高(0.39 vs PN的0.24)。在测试集(四种新油)上,CNN预测的PN值与实验值线性回归系数R
2约0.8,Soot约0.76,BSFC约0.7,整体趋势复现良好,但存在系统性低估。
**蒙特卡洛优化分析**
发射适应度函数表明,低BOV和低KV100对应高适应度(低排放),且BOV的影响呈抛物线趋势,KV100影响更陡。油耗适应度函数显示,KV100对油耗影响大于BOV,且呈线性负相关。部分虚拟油品在较高KV100下仍能获得低排放,与实验中的Oil 5现象一致,验证了模型的物理一致性。
**总结讨论与结论**
研究人员通过对十种润滑油进行实验和CNN建模,证实BOV和KV100是影响颗粒物排放的关键因素,优化配方可使PN和Soot降低高达80%。CNN模型在预测验证集时的MAPE约6%,测试集线性回归系数0.76,表明其可有效捕捉油品特性与排放的因果关系。蒙特卡洛优化进一步确认了低粘度导向的减排趋势。该研究虽处于初始阶段,但展示了ML在油-发动机耦合设计中的应用前景。未来需扩大油品数据库、纳入更多化学物理特性以及不同发动机类型,以提高模型鲁棒性和适用性。研究结论部分原文翻译如下:
研究人员通过长期研究评估了不同技术在控制燃气发动机颗粒物排放方面的潜力。本文特别聚焦于润滑油配方作为减少此类污染物的可能工具。这一兴趣源于先前经验及科学文献中的证据:燃气发动机的颗粒物排放主要与润滑油消耗和燃烧现象相关。随着对颗粒物形成背后复杂机制的研究进展,机器学习算法可提供用于研究油品配方与颗粒物排放关系的有用方法。本研究的方法是将十种润滑剂的广泛实验活动与ML数据分析技术相结合,以期为油-发动机耦合设计确定合适程序。实验活动证实了油品质量在颗粒物排放控制中的强大潜力,突出基础油粘度和运动粘度为此方面的关键特性。结果表明,通过优化润滑油配方,PN和Soot排放相比商业润滑剂可降低高达80%。实验数据集随后用于ML算法的训练和测试。具体而言,卷积神经网络模型在先前测试的多种算法中展现了最佳预测性能。选择基础油粘度和运动粘度作为模型输入,颗粒物数量、质量和油耗作为最终输出。实验油品数据集被分为三个主要部分用于训练、验证和测试模型。尽管该活动处于初始阶段且仍在进行中,它展示了有前景的方法论途径。CNN在颗粒物排放预测中相当精确,实验值与计算值之间呈线性相关。验证结果显示,实验值与模型输出之间的平均绝对百分比误差约为6%,预测过程也表现出良好效果,线性回归系数为0.76。模型充分检测了不同油品在PN和Soot方面的趋势,突显了ML模型在数据收集和处理领域的吸引力。ML模型还被测试以验证其优化润滑剂特性(针对发动机排放和油耗)的能力。通过蒙特卡洛方法生成特性在测试油品范围内的虚拟油品,并将其作为校准CNN算法的输入。实施适应度函数以评估虚拟油品性能。结果强调,在测试的特性中,低运动粘度和基础油粘度是润滑剂优化的主要驱动因素,与实验结果一致。未来对模型的更深入和先进实施可能成为支持实验分析的有力工具。研究后续需要进一步分析以创建更全面的模型,例如可涉及整体润滑油性能,包括油道压力要求和通过发动机内部摩擦的能量耗散。尽管本研究代表了所涉领域的初始方法,但初步结果令人鼓舞,促使开展更多活动,涉及更大的实验数据库和额外的油品化学/物理特性,从而提高模型输入和准确性。此外,模型的鲁棒性和可靠性需在不同发动机类型上验证,以评估其适用性和潜力。最后,值得强调的是,本研究为燃气发动机的发展提供了有用见解,主要是为了满足即将到来的PN
10限值以及用于颗粒物排放控制的后处理系统设计。